我最近开始从 JMP 过渡到 R 并开始使用，我一直试图在 R 中重现我的一些旧 JMP 结果。但是，当我使用一个连续变量（收入）和一个分类变量（条件) 预测连续变量 (psc)，两个程序的结果不同。
这是我的 JMP 模型和结果：
这是我的 R 代码和结果：
> library(plyr)
> # load data files
> online <- read.csv('r_online.csv')
> paper <- read.csv('r_paper.csv')
> # define conditions for online data
> online$condition <- NA
> levels(online$condition) <- c('wc','fd')
> online[!is.na(online$Ntrl1), 'condition'] <- 'wc'
> online[!is.na(online$Ntrl3), 'condition'] <- 'fd'
> online$condition <- factor(online$condition)
> # merge online and paper data
> mydata <- rbind.fill(online, paper)
> # exclude dropped data
> mydata <- subset(mydata, Class < 5)
> # calcualte psc
> psc <- ((8-mydata$PSF1r)+(8-mydata$PSF2r)+mydata$PSF3+(8-mydata$PSF4r)+(8-mydata$PSF5r)+mydata$PSF6)/6
> mydata$psc <- psc
> # save income and condition as values
> income <- mydata$Income
> condition <-mydata$condition
> # psc by income and condition
> psc.income.regress <- lm(psc ~ income * condition)
> summary(psc.income.regress)
Call:
lm(formula = psc ~ income * condition)
Residuals:
Min 1Q Median 3Q Max
-1.7275 -0.3585 0.0731 0.5122 1.1602
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.89116 0.50804 7.659 1.96e-09 ***
income 0.13393 0.07494 1.787 0.0813 .
conditionwc -1.53409 0.69323 -2.213 0.0325 *
income:conditionwc 0.21807 0.10291 2.119 0.0402 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.7742 on 41 degrees of freedom
(4 observations deleted due to missingness)
Multiple R-squared: 0.4149, Adjusted R-squared: 0.3721
F-statistic: 9.69 on 3 and 41 DF, p-value: 5.854e-05
因此，R 平方、调整后的 R 平方、总体 F、总体 p 以及交互作用的 p 和 t 在 R 和 JMP 中是相同的，但对于主效应和所有估计值的 p 和 t 是不同的。
我做了一些阅读，发现这是因为 JMP 计算 Type-III 平方和，而 R 计算 Type-I SS。不过，到目前为止，我还没有弄清楚如何让 R 以与 JMP 相同的方式计算 Type-III SS。
一个网站说我可以通过将 R 代码的最后一部分更改为以下内容来获得 Type-III SS：
> ### alternative method suggested for getting type-III SS ###
> options(contrasts=c("contr.sum","contr.poly"))
> psc.income.regress <- lm(psc ~ income * condition)
> drop1(psc.income.regress,~.,test="F")
Single term deletions
Model:
psc ~ income * condition
Df Sum of Sq RSS AIC F value Pr(>F)
<none> 24.576 -19.2208
income 1 13.3659 37.941 -1.6778 22.2985 2.729e-05 ***
condition 1 2.9354 27.511 -16.1434 4.8972 0.03253 *
income:condition 1 2.6917 27.267 -16.5438 4.4906 0.04018 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(psc.income.regress)
Call:
lm(formula = psc ~ income * condition)
Residuals:
Min 1Q Median 3Q Max
-1.7275 -0.3585 0.0731 0.5122 1.1602
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.12412 0.34662 9.013 2.82e-11 ***
income 0.24297 0.05145 4.722 2.73e-05 ***
condition1 0.76704 0.34662 2.213 0.0325 *
income:condition1 -0.10904 0.05145 -2.119 0.0402 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.7742 on 41 degrees of freedom
(4 observations deleted due to missingness)
Multiple R-squared: 0.4149, Adjusted R-squared: 0.3721
F-statistic: 9.69 on 3 and 41 DF, p-value: 5.854e-05
现在，R 中的收入、交互作用和截距的所有估计值与 JMP 中的相同，但条件仍然不同。
另一个人建议我将我的条件重新编码为数字对比（而不是将它们作为因素）并将所有内容居中，所以我将代码的末尾更改为：
> ### 2nd alternative method: change condition to numeric contrast and center variables ###
> condition_c <- ifelse(condition == 'fd', +.5, -.5)
> condition_c <- scale(condition_c, scale=F,center=T)
> income_c <- scale(income,scale=F,center=T)
> psc.income.regress <- lm(psc ~ income_c * condition_c)
> summary(psc.income.regress)
Call:
lm(formula = psc ~ income_c * condition_c)
Residuals:
Min 1Q Median 3Q Max
-1.7275 -0.3585 0.0731 0.5122 1.1602
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 4.67891 0.11588 40.379 < 2e-16 ***
income_c 0.22739 0.05241 4.338 9.13e-05 ***
condition_c 0.14813 0.23615 0.627 0.5340
income_c:condition_c -0.21807 0.10291 -2.119 0.0402 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.7742 on 41 degrees of freedom
(4 observations deleted due to missingness)
Multiple R-squared: 0.4149, Adjusted R-squared: 0.3721
F-statistic: 9.69 on 3 and 41 DF, p-value: 5.854e-05
这样做，交互作用和条件的 p 和 t 值变得与 JMP 中的相同，但现在收入和所有估计值都不同了。
我试图尽可能彻底地尝试自己找到答案，但我已经没有想法了，所以任何帮助都将不胜感激。所有相关的 R 文件都可以在这里找到：https ://www.dropbox.com/s/eoup5im2iko1ro6/R.zip?dl=0